干安防集成这行多年，从 H.264 熬到 AV1 大规模落地，亲眼见过每一代编码标准出来时的行业热闹，也踩过不少 “追新翻车” 的坑。今年 5 月 28 日 AOMedia 把 AV2 v1.0.0 规范正式定稿，6 月初官方官宣之后，同行群和朋友圈直接炸了，好多开发商、集成商上来就问：码率省 30%，是不是下个月就能把项目全换成 AV2 降成本？

说实话，我第一反应不是兴奋，是心里咯噔一下 —— 得，又得挨个跟客户解释 “为啥不能明天就全量切换” 了。

先给大伙交个底：AOMedia 官方的说法是，同画质下 AV2 比 AV1 省约 30% 的码率，屏幕内容、HDR、8K 这类特定场景能接近 40%；Netflix 的工程师 Norkin 放出的实测数据，PSNR-YUV 下 BD-rate 改善约 28.7%，VMAF 下约 32.6%，和官方口径基本对得上。但公道话得说在前头，独立第三方的全场景验证还在推进，真实业务里的收益会跟着画面场景浮动，别被厂商宣传里的 “暴降 30%” 带跑了节奏。

今天就跟同行说点实在的：这 30% 到底是从流水线哪一环抠出来的，落到咱们做 AIoT、做智慧安防的项目里，到底是红利还是坑，架构上该怎么准备。尽量说人话，不绕没用的术语。

先掰扯最容易被炒歪的一点：AV2 不是 “AI 编码器”

这两天刷到不少自媒体喊 “AV2 用上 AI 编码了！”—— 别闹，真不是这么回事。

AV2 v1.0 的底层仍然是传统混合块编码的老路子：画面切块、预测、变换、量化、熵编码、环路滤波，和三十多年来所有主流编解码器的核心框架没区别。规范本身没有把 AI / 机器学习放进核心编码流程里，核心目的就是保证解码器足够轻，普通消费级芯片就能跑，不用额外搭 NPU。

它所谓的 “数据驱动”，是离线用机器学习训练出变换核、预测矩阵这些参数，把训练好的固定结果固化到标准里。解码的时候跑的还是经典流水线，不会实时跑神经网络。说白了，是用 AI 辅助制定标准，不是让设备跑 AI 编码，这俩完全是两码事。

当然它也适合和外部 AI 模块搭配，比如在编码器前面挂个 AI 降噪、超分的预处理层，喂给 AV2 更干净的源画面，整体压缩效果还能再往上提一截。但这是两套独立的东西，别混为一谈。

先泼完冷水，再讲更现实的代价：按照 VideoLAN 负责人 Jean-Baptiste Kempf 对参考软件的实测，AV2 软件解码的复杂度大概是 AV1 的 5 倍，编码器复杂度只会更高。眼下没有任何量产芯片带 AV2 硬件解码能力，行业普遍预期硬件解码器要到 2027-2028 年才会出现在商用芯片里，真正大规模普及得等到 2028 年之后。也就是说，未来三五年里，AV1 和 AV2 一定是长期共存的状态，这点做技术选型的心里得先有数。

30% 的码率节省，到底是怎么抠出来的

很多人只记住了 30% 这个数字，不知道收益是散在整条编码流水线的每一个环节里，每一处改动都带着明确的取舍。挨个拆开说，都是做工程的，看懂了底层逻辑，才好算自己项目里的真实收益。

块划分：超级块翻一倍，大块省比特、小块保细节

AV1 的最大超级块是 128×128，AV2 直接拉到了 256×256。

做安防的都懂，监控画面里大半是天空、墙面、停车场这种大面积平滑区域，用小块切的话，块边界多、额外开销大；换成 256×256 的大块，一整块平滑区域可能就一个划分，开销直接降下来。遇到文字、人脸、移动物体这种细节密集的地方，再逐级往下拆成小块。

光做大块还不行，容易把解码端的带宽和算力拉爆。所以 AV2 加了个半解耦划分（SDP），搭配好几种非对称划分模式：大尺寸块里亮度和色度共享划分策略，省掉重复计算；到 64×64 及以下的小块，又允许各自独立划分，保住细节。

做过边缘设备优化的都懂，这种 “编码端使劲卷、解码端能省则省” 的设计有多重要 —— 直接关系到边缘网关的硬件成本，不是纸面参数那么简单。

预测：参考帧变多，预测越准残差越小

压缩的核心逻辑就是预测：当前这块画面，能不能用旁边的块、或者前面几帧的画面拼出来。拼得越准，剩下的残差就越小，要编码的数据就越少。

帧内预测这边，AV2 用了数据驱动帧内预测（DIP），不是老一套的几何角度插值，而是用海量真实画面离线训练出投影矩阵，面对墙面、纯色背景这种重复单调的纹理，预测精度提升很明显。CfL 亮度推导色度也做了优化，夜视低照度的 HDR 画面适配性更好。

帧间预测的改动更实在，参考帧上限从 AV1 的 2 帧拉到了最多 7 帧，还加了时间插值、光流运动微调、简化多参考帧这些工具。像慢云台、移动车辆这类画面，运动补偿能贴得更准，残差进一步收缩。还有帧内块拷贝（IBC）的优化，对监控里反复出现的标牌、围挡这类静态图案，压缩效率提升很直观。

当然代价也有，编码器的搜索空间变大了，复杂度又涨了一截。但解码端只是按语法解析，不用做复杂搜索，咱们做平台、做终端的，解码侧压力不会因为预测工具变多就暴涨，这点还算厚道。

变换：数据驱动变换，是这代最核心的改动

这块我得多说两句，个人觉得这是 AV2 和以往所有编码标准最不一样的地方。

传统编码用的 DCT 离散余弦变换，变换核是固定的数学公式。AV2 引入了 DDT 数据驱动变换 —— 提前用 KLT 算法，拿海量真实视频的残差数据离线训练出多套变换核，直接固化到标准里。

说人话就是，这个变换核是 “从真实视频里学出来的”，不是凭空推导的数学公式，所以对真实场景残差的能量集中能力比 DCT 强得多。同样一块残差，过一遍 DDT，大部分能量都会塌缩到少数几个低频系数上，后面量化的时候就能放心扔掉更多高频细节，又不怎么影响主观画质。

配合 DDT 的还有两个辅助工具：IST 二次变换，给低频系数再做一次降维，进一步挤掉无效信息；CCTX 跨色度分量变换，利用色度之间的相关性做联合编码。三者搭配下来，残差能量的集中程度比 AV1 高一大截，这也是 30% 总收益里贡献最大的单项技术之一。

顺带提一句，AV2 还把原生 64 点 DCT 给砍了，换成 32 点逆变换加残差上采样。看着像是 “减配”，实际上 256×256 大块普及之后，大尺寸变换的需求本身就在减少，用极小的画质损失换来了硬件实现难度的大幅下降 —— 标准制定的人是真懂芯片设计的难处。

量化：扔掉查找表，用网格找最优解

AV1 的量化靠好几张查找表映射步长，维护起来繁琐。AV2 直接换成统一的指数公式做步长映射，逻辑干净了很多。

真正的升级是 TCQ 网格编码量化。它搞了 Q0、Q1 两个子量化器，重建电平错开半个步长。编码器用 Viterbi 动态规划，在 8 个状态的网格里找率失真最优的路径 —— 说白了就是把 “每个系数量化用 Q0 还是 Q1” 变成了一个最短路径问题，找全局最优解，而不是逐系数单独决策。

单个系数看差别不大，整帧算下来，码率和失真的平衡能做得更精细。同样，复杂度涨在编码端，解码端只需要按语法查表重建，感知不到 TCQ 的存在。

熵编码：三个毫米级优化，积少成多

熵编码是压缩的最后一公里，单个工具提升幅度都不大，但几个小优化叠起来，对总收益的贡献不容小觑。AV2 底层还是沿用 MS-AC 多符号算术编码器，没换引擎，只在 “怎么把数据喂给编码器” 上做了三处微调。

PARA 概率自适应率调整，通过偏移参数动态调节 CDF 概率表的收敛速度，监控画面经常有场景突变、光线切换，这个工具能让概率模型更快贴合一新画面的符号分布，少浪费比特。

FSC 前向跳过编码，专门针对屏幕内容。电脑屏幕、工控界面这类有大量锐利文字边缘的画面，走频域变换反而会打散能量，AV2 干脆跳过变换，直接对空间残差做旁路编码 —— 这也是 AV2 在屏幕内容场景能省近 40% 码率的核心原因，做指挥大厅大屏、工业 HMI 的同行可以重点关注。

还有个很巧的 PH 奇偶校验隐藏：当 AC 系数不少于 4 个时，编码器微调这些系数的奇偶性，让它们和 DC 系数的符号位保持一致。解码端只要算一下 AC 系数的奇偶，就能隐式推出 DC 的属性，直接省掉一个比特的显式信令。

这三项单个可能也就贡献 0.5%-1% 的收益，但架不住多。干过编解码优化的都懂，到了 AV1 这个成熟度，再想抠 30% 不可能靠某一项黑科技，全是几百个 0.1% 的优化堆出来的，AV2 干的就是这个笨功夫。

环路滤波：统一链路，给解码端减负

AV1 的环路滤波是多级串联，去块、CDEF、环路恢复一路算下来，模块多逻辑杂。AV2 换成了统一的通用去块滤波器，新增 GDF 导向细节滤波器和 CCSO 跨分量采样偏移。CCSO 用亮度信息校正色度误差，对安防常用的 4:2:0 采样格式特别友好，夜视画面的色度噪声能压得更干净。

整体思路和块划分的设计一脉相承：编码端可以使劲堆复杂度，解码端能省就省，尽量控制硬件实现的门槛。

落到安防场景：红利和坑各占一半

讲完技术原理，还是得落回咱们的老本行。AV2 对智慧社区、园区安防、高空抛物这类项目的影响，得拆开四个维度看，不能只盯着码率下降瞎乐。

带宽侧的利好最直观。比如 4K 高空抛物摄像头，单路上行码率原本 4-8Mbps，几十路同时回传的话，公网带宽是一笔不小的固定开销。同画质下码率约降 30%，跨公网的带宽成本、4G/5G 的流量成本都能明显压缩。但要注意，这是理想场景的均值，夜间低照度、车流密集的路口这类画面，实际节省会打折扣，做预算别直接按 0.7 倍硬套。

存储侧的收益也很实在。边缘 NVR、云端冷存储、取证片段归档的占用量都会同步收缩，同样的硬盘容量，录像留存周期能拉长一截。对有明确合规留存要求的项目，成本压力会小很多。但同样，别直接拿 30% 去做存储规划，拿自己项目的真实样本跑一遍实测最稳妥。

最容易踩坑的是边缘侧，甚至有点反直觉：码率是降了，但智能分析网关的整体算力压力反而可能涨。

原因很简单 —— 现在没有硬件解码，全靠 CPU 软解，复杂度是 AV1 的 5 倍。如果网关既要做 AV2 解码，又要并行跑高空抛物轨迹识别、周界入侵检测这类 AI 推理，很容易出现解码把 CPU 占满，AI 推理算力不够、延迟飙升的情况。我当年 H.265 刚普及的时候就踩过类似的坑，软解吃满处理器，智能分析直接卡成 PPT。所以智能分析网关的硬件选型必须重新评估算力余量，不能看见 “码率降 30%” 就盲目乐观。

平台侧的改动相对可控。GB28181、RTSP 这些传输协议本身不用变，但 AIoT 平台的多媒体接入层、转码流水线、解码库都要做升级，必须支持 AV1/AV2 双栈兼容，向下还要兼容 HEVC。毕竟未来三五年新老设备混装是常态，不可能一刀切全换成 AV2。

物联底座的价值：把编码迭代的成本收到底层

编码标准是隔几年就迭代一次的东西，如果每个项目、每代标准都从零重写解析、转码、调度逻辑，时间长了全是技术债。成熟的做法是把多媒体底层能力做抽象，让业务层专心做告警、做流程、做 AI 应用，不用跟着编码标准反复改底层。

像美畅智能物联中台UCC，核心定位就是设备层和业务层之间的抽象层。向下把不同厂商的设备协议做归一，把 AV1、AV2、HEVC 多格式解析、转码调度都封装到底层；向上输出标准化的事件和媒体接口，还能给分布式的智能分析网关统一调度媒体处理任务。开发团队不用每一代编码都重做一遍底层适配，能省不少重复劳动。

但边界也得说清楚：这类中台能解决软件层面的格式适配、调度管理问题，解决不了芯片没有硬解单元的硬件短板。软解带来的高算力消耗，平台再优化也绕不开，最终还是得等芯片厂商的硬件生态跟上来。别指望买一套中台就能抹平硬件代差，那不现实。

给集成商的话：Codec 升级避坑指南

踩了这么多代编码的坑，总结几条落地建议，都是实打实的经验，大伙当个参考。

第一，双栈兼容，渐进迁移，别搞一刀切。未来 3-5 年 AV1 和 AV2 必然共存，架构上一定要做 Codec 抽象层，把编解码模块和业务逻辑解耦。后续不管是 AV2 迭代还是再出更新的标准，改动都收拢在底层，不用动业务代码。边缘设备的固件也要支持动态加载双解码库，根据码流自动切换。

第二，边缘算力账要重新算，别想当然。AV2 软解复杂度是 AV1 的 5 倍，边缘网关如果既要解码又要跑 AI 推理，算力配比要重新评估。个人建议，实时分析类的边缘节点，等 2027-2028 年硬件解码器普及了再规模化上 AV2，现阶段用 AV1 过渡最稳妥。

第三，纯存储、纯转发的场景可以先吃红利。比如云端冷存储、跨机房备份这类不需要实时解码的场景，AV2 的压缩收益可以直接兑现，风险也低。这类后端存储环节可以先迁，前端实时分析环节暂缓，分阶段来最稳。

第四，别信 “AV2 立即可用” 的宣传。规范发布不等于设备就绪，不等于生态成熟。官方自己都承认第三方验证还在进行中。咱们做落地的，把它当成 2-3 年后的技术储备就行，先做 POC 验证，别急着上生产。

第五，做屏幕内容、工业 HMI 的团队可以提前布局。FSC 工具对屏幕类画面的优化是实打实的，接近 40% 的码率节省不是虚的，这类场景可以早做 POC，收益会比普通监控场景更明显。

写在最后

干了这么多年 codec，越来越觉得，每一代编码标准的迭代，从来不是什么颠覆性革命，都是工程上一点点抠出来的进步。AV2 这 30% 的增益，是 256×256 大块打底，DDT 主攻残差压缩，TCQ 优化量化，PARA/FSC/PH 在熵编码里抠每一个比特，再加上环路滤波给解码端减负，几百个小优化堆出来的结果。

它的长期潜力毋庸置疑，免专利费的特性也让它对商用项目很友好。但落地这件事，从来不是纸面参数说了算，得看芯片、固件、终端、平台整条链的成熟度。

对咱们做 B 端项目的人来说，最理性的做法就是：架构上提前留好 AV2 的位置，现阶段用 AV1 扛住业务，等硬件解码成熟了再逐步切换。技术是用来解决问题的，不是用来追新的。真正的工程智慧，从来不是选最新的标准，是选最合适的标准。

AV2 是未来，但未来还没到。咱们做落地的，总得在前沿和务实之间，给自己留一条稳妥的路。